一种慢性阻塞性肺疾病急性加重预测系统和预测方法

摘要

本发明涉及一种慢性阻塞性肺疾病急性加重(AECOPD)预测系统和预测方法，该预测系统包括检测模块、模型建立模块和预测模块；所述的检测模块用于检测MiR‑1258、NEU、CRP、NLR、LDH、PCT和WBC中的一种或多种；所述的模型建立模块用于基于所述检测模块的检测结果并利用机器学习的方法建立AECOPD预测模型；所述的预测模块用于根据所述的AECOPD预测模型和所述检测模块的检测结果得出患者发生AECOPD的概率。

说明书

技术领域

本发明涉及辅助医疗技术领域，具体涉及一种慢性阻塞性肺疾病急性加重预测系统和预测方法。

背景技术

慢性阻塞性肺疾病急性加重(acute exacerbations of chronic obstructivepulmonary disease，AECOPD)是慢性阻塞性肺疾病(chronic obstructive pulmonarydisease，COPD)患者常见的并发症之一，死亡率高，从COPD患者中及早识别和预测AECOPD的发生具有重要意义。但是目前关于AECOPD的识别方法主要是依据患者的临床症状和体征变化。现有的识别方法是满足以下标准：(1)三种并发症中至少两种(痰量、化脓性和呼吸困难)；(2)至少有一个主要症状(感冒：流涕和/或鼻塞，气喘和咽痛)和一个次要症状(咳嗽和发热＞37.5℃)恶化，同时除外其他病因。

现有技术中基于临床症状和体征预测患者出现AECOPD的方法缺乏客观性，并且由于其他许多疾病也可出现类似症状，仅凭症状难以快速准确地识别AECOPD。对于AECOPD的预测尚无敏感性和特异性较好的生物标志物和相关实验室预测模型。临床上常用的感染相关生物标志物，如白细胞计数(WBC)、乳酸脱氢酶(LDH)、中性粒细胞计数(NEU)、C反应蛋白(CRP)、降钙素原(PCT)虽然可以在一定程度上预测感染诱发的AECOPD，但是考虑到AECOPD病因的多样性，目前这些指标的特异性和敏感性均欠佳，本申请的发明人所在团队的研究结果表明，CRP预测AECOPD的效能(受试者工作曲线下面积)仅为0.635，灵敏度仅为42.42％；PCT的预测效能仅为0.663，灵敏度仅为30.3％，预测效果并不理想。因此寻找可以准确预测AECOPD的生物标志物，建立相关预测模型具有较好的应用前景。

发明内容

本发明旨在提供一种慢性阻塞性肺疾病急性加重预测系统和预测方法，所要解决的技术问题至少包括如何提前预测患者发生AECOPD的概率。

为了实现上述目的，本发明提供一种慢性阻塞性肺疾病急性加重预测系统，包括检测模块、模型建立模块和预测模块；所述的检测模块用于检测MiR-1258、NEU、CRP、NLR、LDH、PCT和WBC中的一种或多种；所述的模型建立模块用于基于所述检测模块的检测结果、利用机器学习的方法建立AECOPD预测模型；所述的预测模块用于根据所述的AECOPD预测模型和所述检测模块的检测结果得出患者发生AECOPD的概率。

优选地，所述的AECOPD预测模型为支持向量机、随机森林、梯度推进分类器、Knearest neighbors(K最邻近算法)、人工神经元网络、Gaussian

优选地，所述的模型建立模块以Logistic回归为标准筛选出对AECOPD有预测价值的有效特征变量，所述的有效特征变量包括外泌体MiR-1258、NEU、NLR和CRP；所述的预测模块根据Logistic回归方程得出患者发生AECOPD的概率，其中，所述的Logistic回归方程为：

其中，P为患者发生AECOPD的概率；

exp为以自然常数e为底的指数函数；

MiR-1258为外泌体中的MiR-1258表达；

NEU为中性粒细胞计数；

CRP为C反应蛋白；

NLR为中性粒细胞/淋巴细胞比值。

所述的慢性阻塞性肺疾病急性加重预测系统还包括决策树建立模块，用于根据选择的指标，通过logistic回归模型验证，建立决策树。

优选地，所述的慢性阻塞性肺疾病急性加重预测系统还包括验证模块，所述的验证模块用于采用5折交叉验证的方法来评估所述的AECOPD预测模型的有效性。

进一步优选地，所述的CRP和LDH检测采用贝克曼库尔特AU2700乳胶免疫比浊测定试剂盒进行检测。

优选地，所述的PCT使用罗氏E401进行检测。

进一步优选地，所述的检测模块使用希森美康xn9000全自动血液分析仪进行白细胞计数和分类计数。

进一步优选地，所述的检测模块使用超高速离心法提取外泌体，利用电镜、Western blot和外泌体粒径分析仪对外泌体进行鉴定，用TRIZOL试剂提取样本RNA，使用ABI 7500PCR扩增仪检测MiR-1258。

本发明还提供一种慢性阻塞性肺疾病急性加重预测方法，包括以下步骤：

第一、以Logistic回归为标准筛选出对AECOPD有预测价值的有效特征变量，所述的有效特征变量包括外泌体MiR-1258、NEU、NLR和CRP；

第二、根据Logistic回归方程得出患者发生AECOPD的概率，其中，所述的Logistic回归方程为：

其中，P为患者发生AECOPD的概率；

exp为以自然常数e为底的指数函数；

MiR-1258为外泌体中的MiR-1258表达；

NEU为中性粒细胞计数；

CRP为C反应蛋白；

NLR为中性粒细胞/淋巴细胞比值。

有益效果

与现有技术相比，本发明的有益效果是：

本发明所述的慢性阻塞性肺疾病急性加重预测系统和预测方法筛选出外泌体MiR-1258可以有效预测AECOPD的发生，基于血液生物标志物利用机器学习的方法建立了7种AECOPD预测模型，获得了AECOPD预测效果最佳的Logistic回归模型，并建立了Logistic回归方程，用于AECOPD发生概率的预测，基于外泌体MiR-1258、NEU和NLR建立了AECOPD预测的决策树，进一步提高了AECOPD的鉴别能力，并且建立方程精确量化AECOPD发生概率，很好的弥补了现有AECOPD预测方法的不足。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的具体实施方式一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是不同人群中血清和外泌体中MiR-1258的表达水平示意图。

图2是外泌体MiR-1258和常规实验室指标对COPD和AECOPD鉴别能力评估的ROC分析示意图。

图3A和图3B是基于外泌体MiR-1258、NLR和/或中性粒细胞计数的识别AECOPD的决策树的示意图，其中图3A是从正常对照中识别出AECOPD；图3B是从SCOPD中识别出AECOPD。

图4是本发明所述的慢性阻塞性肺疾病急性加重预测系统的结构示意图。

具体实施方式

在下文中更详细地描述了本发明以有助于对本发明的理解。

为了提前预测患者发生AECOPD的概率，需要寻找可以有效预测AECOPD的生物标志物，并建立基于生物标志物的AECOPD预测模型。

本发明的发明人团队研究发现外泌体中MiR-1258对于SCOPD和AECOPD的鉴别具有较好的效能(灵敏度为74.24％，特异度高达97.62％，受试者工作曲线下面积(AUC)为0.851，显著高于CRP(AUC为0.635)、PCT(AUC为0.663)、WBC(AUC为0.654)、NEU(AUC为0.727)、中性粒细胞/淋巴细胞比值(NLR)(AUC为0.797)等传统感染指标。

另外，本发明的发明人团队以Logistic回归为标准筛选出与对AECOPD有预测价值的有效特征变量，包括外泌体MiR-1258、NEU、NLR和CRP，根据这些指标，通过机器学习建立了7个AECOPD预测模型。采用5折交叉验证的方法来评估模型的有效性。研究发现基于外泌体MiR-1258、NLR和中性粒细胞计数的logistic回归模型具有最佳的预测效果。本发明所述的慢性阻塞性肺疾病急性加重预测系统进一步提高了AECOPD的鉴别能力，并且建立方程精确量化AECOPD发生概率，很好的弥补了现有AECOPD预测方法的不足。

在一个具体实施例的研究过程中，本发明的发明人团队选取了以下研究对象：

收集2019年12月至2021年7月，在北京大学第三医院诊断为AECOPD的患者血清样本66例，稳定期慢性阻塞性肺疾病(Severe Chronic Obstructive Pulmonary Disease,SCOPD)患者血清样本42例，表观健康人血清样本45例。记录入组人群的基本信息、临床相关信息和常规检验结果。

入组和排除标准：

1)表观健康人群：无各种急慢性疾病病史、实验室常规检测结果正常。

2)SCOPD与AECOPD患者：符合目前SCOPD和AECOPD的诊断标准，排除有肿瘤病史的患者。

3)排除样本采集、运输、存储不符合相关要求的血清样本；

4)排除信息记录不完整的样本；

5)排除被污染的和样本量不足的样本。

研究过程中使用的仪器与试剂包括：

CRP和LDH检测采用贝克曼库尔特AU2700乳胶免疫比浊测定试剂盒进行检测；PCT使用罗氏E401进行检测；白细胞计数和分类计数使用希森美康xn9000全自动血液分析仪；使用超高速离心法提取外泌体，利用电镜、Western blot和外泌体粒径分析仪对外泌体进行鉴定，用TRIZOL(TAKARA公司)试剂提取样本RNA，使用ABI 7500PCR扩增仪检测MiR-1258。

使用SPSS 26.0进行数据的统计分析。连续变量比较采用t检验和Man-Whitney U检验，类别变量比较采用卡方检验。采用MedCalc 19.6.4分析受试者工作特征曲线(ROC)，评价生物标志物的敏感性和特异性。

利用Python软件建立数学模型和决策树，通过五折交叉检验验证模型的准确性和可靠性。本发明的发明人团队基于外泌体MiR-1258和常规感染相关指标建立了7个模型用于AECOPD和SCOPD的鉴别，包括：①支持向量机(SVM)；②随机森林；③梯度推进分类器；④Knearest neighbors(K最邻近算法)；⑤人工神经元网络；⑥Gaussian

1)AECOPD患者外泌体中MiR-1258表达显著高于COPD患者和表观健康对照组(见图1)。

图1中NC为健康对照组；SCOPD为稳定期慢性阻塞性肺疾病患者组；AECOPD为慢性阻塞性肺疾病急性加重患者组；Serum为血清中MiR-1258检测结果；Exosomes为血清外泌体中MiR-1258检测结果；**表示差异有统计学意义，p<0.01；***表示差异有统计学意义，p<0.001。

2)外泌体MiR-1258对AECOPD预测的能力评价

为了评价MiR-1258在AECOPD预测中的效能，发明人计算并比较了ROC曲线下面积(AUC)。为了区分AECOPD和SCOPD，外泌体MiR-1258的AUC为0.851(95％CI 0.769-0.902)，显著高于血清中MiR-1258(AUC＝0.790,95％CI 0.701-0.863)、NLR(AUC＝0.797,95％CI0.708-0.868)、NEU(AUC＝0.727,95％CI 0.633-0.808)、WBC(AUC＝0.654,95％CI 0.556-0.743)和CRP(AUC＝0.635,95％CI 0.635-0.808)，见图2。

各种生物标志物的最佳截断值(cut-off)、特异性、敏感性如表1所示。在所有指标中外泌体MiR-1258在鉴别AECOPD和SCOPD的特异性最高，为97.62％，敏感性亦较高，为74.2％。外泌体MiR-1258联合NLR可以使AUC提高到0.944，敏感性增加到81.82％，同时保持较高的特异性(97.62％)。

表1.不同指标预测AECOPD的效能评价

3)基于机器学习方法建立的7种AECOPD预测模型的准确性评价

本发明的发明人团队以Logistic回归为标准筛选出对AECOPD有预测价值的有效特征变量，包括外泌体MiR-1258、NEU、NLR和CRP，根据这些指标，通过机器学习建立了7种AECOPD预测模型。采用5折交叉验证的方法来评估模型的有效性。模型预测效果评价见表2。机器学习结果显示：使用logistic回归模型鉴别SCOPD和AECOPD的效能最佳。

表2.不同预测模型预测效果评价

Logistic回归方程为：

其中，P为患者发生AECOPD的概率；

exp为以自然常数e为底的指数函数；

MiR-1258为外泌体中的MiR-1258表达；

NEU为中性粒细胞计数；

CRP为C反应蛋白；

NLR为中性粒细胞/淋巴细胞比值。

4)AECOPD预测模型决策树的建立

决策树有助于AECOPD预测临床策略的建立。根据选择的指标，通过logistic回归模型验证，建立决策树。研究发现，在108例SCOPD和AECOPD患者中，MiR-1258大于0.197的患者有50例，其中49例(98％)NEU＞2.705×10

图3A和图3B中，1258为外泌体MiR-1258；gini为基尼系数；samples为符合判断标准的样本数量；value＝[健康人群数量(A)或SCOPD组患者数量(B)，AECOPD患者数量]。

AECOPD具有发病急，死亡率高，预后差的特点，提前预测患者发生AECOPD有着很大的临床意义。然而目前还没有理想的实验室指标可以有效预测AECOPD的发生，同时也没有相关的基于机器学习技术建立的预测模型，而临床常规使用的指标的敏感性和特异性均较低(NLR：AUC 0.797，Cut-off值3.57：敏感性71.21％，特异性78.57％；中性粒细胞：AUC0.727，Cut-off值6.38×10

通过研究，发明人的团队发现了外泌体MiR-1258对AECOPD具有较好的预测价值(AUC 0.851，Cut-off值0.1927：敏感性74.24％，特异性97.62％)。同时，为了达到更好的预测效果，发明人将MiR-1258与其他指标进行了联合检测，并使用机器学习技术，筛选出了预测效能最好的模型，并得到了Logistic回归方程，能够用于预测AECOPD的发生概率。

上述研究不仅发现了可以有效预测AECOPD的生物标志物外泌体MiR-1258，而且建立了AECOPD的预测模型，并且通过验证证实了该模型具有较好的准确性，为预测AECOPD的发生率提供了量化方程，有助于临床更早的识别AECOPD患者。

基于以上研究，本发明提出了一种慢性阻塞性肺疾病急性加重预测系统，如图4所示，包括检测模块、模型建立模块和预测模块；所述的检测模块用于检测MiR-1258、NEU、CRP、NLR、LDH、PCT和WBC中的一种或多种；所述的模型建立模块用于基于所述检测模块的检测结果、利用机器学习的方法建立AECOPD预测模型；所述的预测模块用于根据所述的AECOPD预测模型和所述检测模块的检测结果得出患者发生AECOPD的概率。

优选地，所述的AECOPD预测模型为支持向量机、随机森林、梯度推进分类器、Knearest neighbors(K最邻近算法)、人工神经元网络、Gaussian

优选地，所述的模型建立模块以Logistic回归为标准筛选出对AECOPD有预测价值的有效特征变量，所述的有效特征变量包括外泌体MiR-1258、NEU、NLR和CRP；所述的预测模块根据Logistic回归方程得出患者发生AECOPD的概率，其中，所述的Logistic回归方程为：

其中，P为患者发生AECOPD的概率；

exp为以自然常数e为底的指数函数；

MiR-1258为外泌体中的MiR-1258表达；

NEU为中性粒细胞计数；

CRP为C反应蛋白；

NLR为中性粒细胞/淋巴细胞比值。

所述的慢性阻塞性肺疾病急性加重预测系统还包括决策树建立模块，用于根据选择的指标，通过logistic回归模型验证，建立决策树。

优选地，所述的慢性阻塞性肺疾病急性加重预测系统还包括验证模块，所述的验证模块用于采用5折交叉验证的方法来评估所述的AECOPD预测模型的有效性。

进一步优选地，所述的CRP和LDH检测采用贝克曼库尔特AU2700乳胶免疫比浊测定试剂盒进行检测。

优选地，所述的PCT使用罗氏E401进行检测。

进一步优选地，所述的检测模块使用希森美康xn9000全自动血液分析仪进行白细胞计数和分类计数。

进一步优选地，所述的检测模块使用超高速离心法提取外泌体，利用电镜、Western blot和外泌体粒径分析仪对外泌体进行鉴定，用TRIZOL试剂提取样本RNA，使用ABI 7500PCR扩增仪检测MiR-1258。

本发明还提供一种慢性阻塞性肺疾病急性加重预测方法，包括以下步骤：

第一、以Logistic回归为标准筛选出对AECOPD有预测价值的有效特征变量，所述的有效特征变量包括外泌体MiR-1258、NEU、NLR和CRP；

第二、根据Logistic回归方程得出患者发生AECOPD的概率，其中，所述的Logistic回归方程为：

其中，P为患者发生AECOPD的概率；

exp为以自然常数e为底的指数函数；

MiR-1258为外泌体中的MiR-1258表达；

NEU为中性粒细胞计数；

CRP为C反应蛋白；

NLR为中性粒细胞/淋巴细胞比值。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

以上描述了本发明优选实施方式，然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。